Orjinal Başlık: 50 Zayıf Sinyalin Birleştirilerek Kazançlı Bir İşleme Dönüştürülmesinin Matematiği
Orjinal Yazar: Roan, Kripto Analisti
Çeviri, Not: MrRyanChi, insiders.bot

Giriş

Geçen yıl, Trump-Musk okulu @Wharton'a kayıt olduğum ilk haftada, @DakshBigShit ile @insidersdotbot'u kurdum. Wharton İşletme Fakültesi'nin mükemmel ortamı ve New York'a yakınlığı sayesinde, dört ay içinde milyarlarca doları yöneten birçok hedge fonu ortağıyla derinlemesine etkileşimde bulundum.

Daha sonra, Hong Kong'da tamamen girişimciliğe odaklandığımda, insiders.bot'un adı duyulmaya başlamıştı ve bu da benim Asya'daki nicel işletmelerle derinlemesine etkileşim şansı bulmama sebep oldu.

Bu süreçte defalarca duyduğum bir kelime ise "sinyal" idi.

Giriş sinyali, çıkış sinyali, ve benzeri şeyler. Bu süreçte: perakendeci ve kurumsal yatırımcılar arasındaki en büyük fark, bilgi miktarı veya fon miktarı değil, düşünce yapısıdır. Perakendeci her zaman o "mükemmel" sinyali bulmayı hayal ederken, kurumlar onlarca "pekte iyi olmayan" sinyali bir araya getirerek bir ip haline getirir.

Binance, OKX, Bitget gibi borsaların altındaki cüzdanlar, çeşitli sinyal yayınlarına erken katıldı.

Bahkan, insiders.bot'un en başında, biz de bir "sinyal botu" olarak göz kırptık. O zamanlar en popüler olan v1.2 sinyalimiz, birçok blockchain üyesinden övgü aldı ve birden fazla akıllı para sinyalini bir araya getirdi. Piyasa tahmincilerinin favori yayın sistemi @poly_beats aslında bir sinyaldir.

Bu RohOnChain makalesi, sinyal yapısını en açık bir şekilde anlattığımı düşündüğüm bir makaledir. Sıfırdan bir nicelik geçmişiniz olmasa bile, her şeyi anlayabileceğiniz şekilde yazdım, güncelledim ve açıklama ekledim.

İkinci Bölüm: Var Olmayan O "Mükemmel Sinyal"

Sistemik ticaret alanında yirmi yıl çalışmış bir hedge fonu ortağı ile konuşurken, aylarca düşündürmüş bir cümle duydum.

O gün karşımda oturmuş, tartışmakta olduğumuz stratejiyi izlerken, sakin bir şekilde şunları söyledi:

「Sürekli olarak her zaman doğru olan tek sinyali aramaya çalışıyorsun. Ama öyle bir şey asla var olmaz. Gerçekten kazançlı işlem masası, birkaç 'biraz doğru' sinyali doğru şekilde bir araya getirebilen ekiplerdir.」

Anlattığı bu şey, kantitatif dünyada çok soyut ve özel bir isim olan bir Jargon'a sahiptir:

Alfa Kombinasyonu (Alpha Combination).

Bu çerçeve bir dönemeçtir. Sürekli istikrarlı bir şekilde para kazanan kurumları ve 'Yönü doğru gördüğü halde hala zarar eden' bireyleri kesin bir şekilde ayırır.

Bu makaleyi okuduktan sonra beş şeyi anlayacaksınız:

1. Neden 50 zayıf sinyali birleştirmek, kesinlikle 1 güçlü sinyali ezer?

2. 'Eylem Yapan Yönetim Temel Kanunu' nedir?

3. Kurumlar, bir dizi kötü sinyali yüksek başarı oranlı bir stratejiye dönüştürmek için hangi 11 adımı gerçekleştirir?

4. Yönü doğru gördüğünüz halde neden sonunda para kaybedersiniz?

5. Bu çerçeveyi Polymarket'te nasıl mükemmel bir şekilde uygularsınız?

Gerçekten kendi işlem üstünlüğünüzü kurmak istiyorsanız, herhangi bir bölümü atlamayın. Bu çerçeve, beş bölümü bir araya getirip bir bütün olarak gördüğünüzde gerçek gücünü gösterir.

Ayrıca, bu makale yapısal olarak AI Ajanına göre optimize edilmiştir. Onu Claude'a, Manus'a veya herhangi bir AI'a beslemekten çekinmeyin ve hemen kendi kantitatif modelinizi oluşturmaya başlayın.

1.1 Gerçekten Nedir Bir 'Sinyal'?

Matematiğe derinlemesine girmeden önce, öncelikle dilimizi birleştirmemiz gerekiyor: Gerçekten nedir bir 'sinyal'?

Günlük hayatta sık sık 'Bu coinin artacağını hissediyorum' veya 'Trump'ın seçileceğine inanıyorum' gibi şeyler söyleriz. Buna görüş denir. Görüş, belirsiz, öznel ve kesin test edilemeyen bir niteliktir.

Ancak kurumsal kantitatif çerçevede, bir sinyal, ölçülebilir ve gelecekteki fiyat veya olasılık değişikliği ile istatistiksel olarak tekrarlanabilir bir ilişkiye sahip veri noktasıdır.

Üç koşulu karşılamalıdır:

Ölçülebilir: Bu bir rakam olmalıdır. Örneğin, "Son 24 saatte işlem hacmi 3 kat arttı," şeklinde olmalıdır, "Son zamanlarda tartışma yapan kişi sayısı arttı," şeklinde olmamalıdır.

Yönlendirici: Size dahili olarak artış mı yoksa düşüş mü olduğunu, veya olasılığın büyüyüp mü küçüldüğünü söyleyebilmelidir.

Tekrarlanabilir: İzole bir olay olmamalı, tarih boyunca defalarca ortaya çıkmalı ve her ortaya çıktığında piyasada benzer bir tepki olmalıdır.

Örneğin, Binance'de birkaç yüksek başarı oranına sahip büyük oyuncu art arda alım yaparsa, ne kadar aldığını bildiğiniz zaman bu bir sinyaldir.

Örneğin, bizim @insidersdotbot'un v1.2'si Skew (zeka parayı ne kadar boğa ne kadar ayı olduğu oranı), ayrıca bir sinyaldir.

Polymarket'te bir örnek vermek gerekirse: Eğer tarihsel olarak %70'ten fazla başarı oranına sahip bir akıllı paranın cüzdanı, aniden belirli bir az bilinen sözleşmeye 5.000 $ bahis yaparsa, bu son derece standart bir "mikro yapı sinyali"dir. Bu kesin bir rakamdır (5.000 $), yönlü bir sinyaldir (aldığı seçenek) ve tekrarlanabilir bir durumdur (geriye dönük tüm bahis kayıtlarını kontrol edebilirsiniz).

Sinyalin ne olduğunu anladıktan sonra, bir sonraki soruya bakalım: Sinyalinizin ne kadar doğru olduğu.

1.2 IC Nedir? Sinyalinizin "Notu"

Herhangi bir işlem yapmış kişi, şunu yaşamıştır: Analiziniz doğru olmasına rağmen, fiyat gerçekten tahmin ettiğiniz yönde gitmiş olmasına rağmen, yine de para kaybetmiş olmanız.

Bu şansın bir sorunu değildir. Tek bir sinyale dayandığınızda, para kaybetme olasılığı neredeyse matematiksel olarak kaçınılmazdır. Neden olduğunu anlamak, izleyecek tüm içeriğin temelidir.

Kantitatif araştırmada, her bir sinyalin doğruluğunu ölçen bir gösterge vardır, adı Bilgi Katsayısı (Information Coefficient, IC).

IC, tahmininizle piyasanın gerçek performansı arasındaki ilişkiyi ölçer. Onu, sinyalinizin "Notu" olarak düşünebilirsiniz.

Peki IC'nin hesaplanması nasıl olur? Adım adım bakalım.

Adım 1, Tahmin. Varsayalım bugün Polymarket'te 20 aktif sözleşme bulunmaktadır. Sizin sinyalinizi kullanarak bu 20 sözleşmeye puan verip sıralarsınız. Sözleşme A'nın muhtemelen yükseleceğini düşünüyorsunuz, bu nedenle 1. sıraya koyarsınız; Sözleşme B 2. sırada, ve bu şekilde devam eder, 20. sıraya kadar.

Adım 2, Bekle. Bir gün, bir hafta veya belirlediğiniz herhangi bir zaman diliminde piyasanın gerçekten gelişmesini bekleyin.

Adım 3, Karşılaştır. Zaman geldiğinde, bu 20 sözleşmenin gerçek fiyat değişimini de sıralarsınız. En çok yükselen en üst sırada olur, ikinci en çok yükselen ikinci sırada olur, ve bu şekilde devam eder.

Adım 4, Hesapla. Şimdi elinizde iki sıralama kolonu var: biri başlangıçtaki tahmin sıralaması, diğeri ise gerçek sonuç sıralaması. Hesaplamanız gereken şey ise bu iki sıralama arasındaki ilişkidir.

Burada kullanılan şey, istatistikte Spearman Sıra Korelasyonudur.

Korkutucu gelebilir, ancak mantık oldukça basittir:

· Eğer tahminen 1. sıradaki sözleşme, gerçekte de en çok yükselen ise; tahminen 2. sırada olan da gerçekte 2. sırada ise, o zaman iki sıralama arasında yüksek bir uyum vardır, IC yaklaşık +1.0 olur.

· Tam tersi durumda (en çok yükseldiğini tahmin ettiğiniz sözleşme en çok düşen ise), IC yaklaşık -1.0 olur.

· Eğer hiçbir ilişki yoksa, IC 0.0'dır, bu da sinyalinizin zar atmak ile aynı olduğunu gösterir.

Yukarıdaki grafik, farklı IC seviyelerinde, tahmin sıralaması ile gerçek sıralama arasındaki ilişkiyi göstermektedir.

Solda, IC'nin yaklaşık 0.9 olduğu durumda, noktalar neredeyse çizginin üzerine düşer, bu da tahminin ve gerçeğin yüksek derecede uyumlu olduğunu gösterir.

Ortada, IC'nin 0.05 ila 0.15 arasında olduğu durumda, noktalar her tarafa dağılmıştır, çok zayıf bir pozitif ilişki eğilimi vardır.

Sağda, IC'nin 0 olduğu durumda, tamamen rastgele, herhangi bir düzen yoktur.

Neden doğrudan sayısal değil de sıralamayı kullanmalıyız?

Rankları aykırı değerlere duyarlı olmayan bir sebepten dolayıdır. Bir sözleşme siyah kuğu olayından dolayı %500 artarsa ve bu değeri sayısal olarak hesaplarsanız, bu aykırı değer tüm sonucu etkiler. Ancak eğer sıralama kullanırsanız, bu sadece "1. sırada" olarak kalır ve diğer sözleşmelerin sıralamasını etkilemez. Bu nedenle, kurumlar neden Pearson korelasyon katsayısı yerine Spearman'ı tercih eder.

Gerçek dünyada, IC'yi sadece bir gün için hesaplamazsınız. Bu süreci birçok gün (örneğin 100 gün) tekrarlarsınız ve ardından ortalamayı alırsınız. Bu ortalamaya sinyalinizin ortalama IC'si denir.

Peki, koca Wall Street'teki en üst düzey ticaret masalarının, milyarlarca dolarlık gerçek parayla yürüttüğü sinyallerin IC değeri nedir?

Cevap: 0.05 ile 0.15 arasında.

Lütfen bu sayıya bir kez daha bakın. Kurumsal düzeyde kullanılan ve en üst düzeydeki tekil bir sinyal, çoğu zaman yanlıştır. Sadece nadiren hata yapmaz, çoğu zaman hatalıdır.

IC = 0.05 Ne Anlama Geliyor?

Bu, sinyalinizin ve piyasanın gerçek trendi arasında sadece %5'lik bir ilişki olduğu anlamına gelir. Eğer bir saçılım grafiği çizerseniz, noktalar neredeyse rastgele dağılmış olur ve çok çok zayıf bir pozitif eğilim vardır.

Bu, sinyalinizin etkisiz olduğu anlamına gelmez. Bu, rekabetçi bir piyasanın doğasından kaynaklanır. Bir kez güçlü bir avantaj keşfedildiğinde, sermaye akın akın gelir ve bu avantaj sömürülür, çok düşük bir seviyeye kadar sıkıştırılır. Verimli bir piyasada, 0.05 bir IC'yi istikrarlı bir şekilde korumak, gerçekten büyük bir başarıdır.

Bir sinyal bu kadar zayıfken, kurumlar aslında nasıl para kazanıyor?

1.3 Kurumların Asıl Silahı: Aktif Yönetim Temel Yasası

1994 yılında, iki kantitatif araştırma öncüsü Richard Grinold ve Ronald Kahn, "Active Portfolio Management" adlı eserlerinde, tüm varlık yönetimi endüstrisini değiştiren bir formül önerdiler:

IR = IC x √N

Bu formül, Aktif Yönetim Temel Yasası olarak bilinir.

Peki, bu üç harf sırasıyla neyi temsil ediyor?

IR (Bilgi Oranı, Information Ratio), işlem sisteminizin genel "performansını" temsil eder. Bu, risk üstlendiğiniz her bir birim başına ne kadar para kazanabileceğinizi ölçer. Bunu bir "fiyat/performans" endeksi olarak düşünebilirsiniz. İR ne kadar yüksekse, stratejinizin o kadar "istikrarlı" olduğunu gösterir. Niceliksel alanda, İR 1.0'a ulaşmak en üst düzey olarak kabul edilir.

IC (Bilgi Katsayısı, Information Coefficient), bir önceki ders boyunca anlattığımız şeydir: Tek sinyalinizin ortalama doğruluğudur.

N, kombininizdeki bağımsız sinyallerin sayısıdır. Lütfen buradaki "bağımsız" kelimesinin önemini unutmayın. Neden olduğunu dördüncü bölümde detaylıca açıklayacağım.

Şimdi, bu formülün temel bilgisi şudur: Sistemin genel performansı (İR), tek sinyalin doğruluğu (IC) ile sinyal sayısının karekökünün (√N) çarpımına eşittir.

Peki, soru şu: Neden karekök alınıyor? Neden direkt olarak N ile çarpılmıyor? Bu soru çok önemli, sıfırdan nasıl türetildiğine yardımcı olacağım.

Bir madeni para atıyormuş gibi düşün. Her seferinde yazı gelirse 1 TL kazanırsınız, tura gelirse 1 TL kaybedersiniz.

Eğer sadece 1 kez atarsanız, sonuç tamamen rastgeledir. Ya 1 TL kazanırsınız ya da 1 TL kaybedersiniz.

Ama 100 kez atarsanız ne olur? Toplam beklenti değeri 0'dır (çünkü eşit miktarda yazı ve tura gelir). Ancak, volatilite önemlidir. İstatistik bize, 100 kez bağımsız madeni para atışının toplam volatilitenin 100 değil, √100 = 10 olduğunu söyler.

Neden? Çünkü bağımsız rastgele olaylar birbirine eklenirken, gürültü bir kısmını iptal eder. Yazı ve tura sırayla ortaya çıkar, her ikisi de aynı yöne gitmez. Bu nedenle toplam dalgalanma, toplam sayıdan daha yavaş büyür.

Şimdi bu mantığı sinyal kombinasyonuna uygulayın. Varsayalım ki N bağımsız sinyaliniz var, her bir sinyalin küçük bir olumlu avantaja sahip olduğunu farz edin (IC 0'dan büyük).

Toplam getiriniz (tüm sinyallerin gücü toplamı) N ile lineer olarak artacaktır. Her bir sinyal ekledikçe küçük bir avantaj daha elde edersiniz. 10 sinyalin toplam avantajı 1 sinyalin 10 katıdır.

Ancak toplam riskiniz (tüm sinyallerin gürültüsü birbirine eklenmiş halde) sadece √N ile artacaktır. Çünkü bağımsız gürültüler birbirini dengeleyecektir. Bağımsız 10 sinyalin toplam gürültüsü 1 sinyalin 10 katı değil, yaklaşık olarak 3.16 katıdır (√10 ≈ 3.16).

Dolayısıyla, bilgi oranınız = Toplam Getiri / Toplam Risk = (IC x N) / (σ x √N) = IC x (N / √N) = IC x √N.

Bu, IR = IC x √N formulünün nereden geldiğini açıklar.

Bu ilişkiyi gösteren yukarıdaki grafiğe bakın. Yeşil çizgi toplam getiriyi, bu miktar sinyal sayısına lineer olarak artırır. Mavi çizgi ise bilgi oranını IR, √N ile artırır. Getiri artar, risk artar ancak getiri riskten daha hızlı artar. İki çizgi arasındaki fark giderek artar. Bu fark, bağımsız sinyal sayısını artırarak elde ettiğiniz ticari avantajdır.

Formülün gücünü hissetmek için somut bir örnek üzerinden bir hesap yapalım.

· Senaryo A: 50 zayıf sinyaliniz var. Her bir sinyal çok zayıftır, IC değeri yalnızca 0.05'tir. Bu durumda, kombinasyonunuzun IR değeri = 0.05 x √50 = 0.05 x 7.07 = 0.354 olacaktır.

· Senaryo B: Başka bir tüccarın güçlü bir sinyali var. Uzun süre araştırma yapmış ve sonunda çok güçlü bir tek bir sinyal bulmuş, IC değeri yüksek ola 0.10 (seninkinden iki kat daha doğru). Ancak yalnızca bir sinyali olduğundan, onun IR değeri = 0.10 x √1 = 0.10 olacaktır.

Sen, IC değeri yarısı kadar olan 50 "çöp sinyal" ile oluşturduğunuz sistemin performansının, onun "tanrısal sinyal"inin 3.5 katı olduğunu göreceksiniz.

İşte bu yüzden hedge fonlar, birkaç yüz zayıf sinyali keşfetmek için yüzlerce araştırmacı tutmayı tercih eder ve tüm bahislerini bir "mükemmel gösterge" üzerine yatırmazlar. Matematik, mükemmel sinyali aramanın bir ölümcül yol olduğunu kanıtlamıştır.

Doğru yaklaşım şudur: Mümkün olduğunca çok bağımsız zayıf sinyali toplamak ve sonra bu sinyalleri matematiksel olarak birleştirmek.

Bu düşünce aslında insiders.bot Cüzdan Filtresi oluştururken temel ilham kaynağımızdı. Kullanıcıların bir "mükemmel akıllı cüzdan" bulmalarına izin vermek yerine, kullanıcıların yüksek kazançlı, farklı stratejilere sahip yüzlerce cüzdanı aynı anda takip etmelerine yardımcı olmak ve bu zayıf sinyalleri bir araya getirmek, ancak bu şekilde gerçekten doğru sonuçlara ulaşılabilir.

İleri Seviye Egzersiz 1:

Şu anda en çok güvendiğiniz işlem sinyalini dürüstçe değerlendirin. IC değeri nedir? Eğer daha önce bu sinyali sistematik olarak ölçmediyseniz, o zaman kör bir şekilde hareket etmiş olabilirsiniz demektir.

Hemen deneyin, basit bir geri test betiği yazın Python kullanarak. Geçmiş 30 gününüzdeki tahmin sıralamasını ve gerçek sonuç sıralamasını kaydedin ve ardından IC'nizi hesaplamak için scipy.stats.spearmanr() fonksiyonunu kullanın. Sonuçlardan şaşıracaksınız.

Eğer olasılık teorisini iyi anlamak istiyorsanız, Harvard Üniversitesi'nin ücretsiz Introduction to Probability kursunu öneririm, ilk 6 bölüm yeterli olacaktır.

Sinyalleri birleştirmenin neden önemli olduğunu anladıktan sonra bir sonraki adım, bu sinyalleri nereden bulacağınızı anlamaktır.

İkinci Bölüm: Beş Büyük Sinyal Hammaddesi

İlk bölümde, sinyalin ne olduğunu zaten tanımladık (ölçülebilir, yönlü, tekrarlanabilir veri noktaları).

Ancak bir sinyal çok güçlü olmak zorunda değil. Bir sinyal, büyük miktarlarda gözlem içinde, birazcık para atma kadar başarılı olmalı ve bu "birazcık başarılı olma" durumu istikrarlı ve doğrulanabilir olmalıdır.

Peki, kurumlar bu "birazcık başarılı olma" veri noktalarını nereden buluyor?

İşte sistemli ticaret masalarının gerçekten kullandığı beş temel sinyal kategorisinden bazıları.

2.1 Fiyat ve Momentum Sinyali

Momentum sinyali, bir varlığın belirli bir süre içinde fiyatının nereye gittiğine ve ne kadar hızla gittiğine bakar.

Neden Momentum Sinyali etkilidir? Çünkü piyasa katılımcılarının yeni bilgiye tepkisi ataletlidir.

· Kısa vadeli, herkes tepki veremediği için bir eğilim devam eder.

· Orta Vadeli, herkes tekrar aşırı tepki vermeye eğilimli, bu da fiyatın geri çekilmesine neden olur.

Hızlanan bir treni hayal edin. Sürücü gaz pedalından çekilse bile, tren hemen durmaz. İnertsiyet nedeniyle, bir süre daha ileri doğru hareket eder. Momentum sinyali, bu "inerst" mesafeyi yakalar.

Polymarket'te Nasıl Kullanılır?

Örneğin, bir sözleşmenin fiyatı son 3 günde istikrarlı bir şekilde 0,40 dolarlık seviyeden 0,55 dolara yükseldi ve işlem hacmi aynı şekilde arttı. Bu durum, fiyatı iten sürekli alım baskısı olduğunu gösterir.

Orta vadeli olarak, fiyatın devam ederek yükselme olasılığı oldukça yüksektir. Bu, içeriden bir şeyler bildiğinizden değil, pazarın inerstini henüz tüketmemiş olmasından kaynaklanır.

Quantitative araştırmada, en temel momentum formülü, geçmişteki d günlerin ortalama getirisini hesaplar: E(i) = (1/d) x Σ R(i,s). Burada d, seçtiğiniz geriye dönük gün sayısıdır ve R(i,s), sözleşmenin s günündeki getirisidir.

2.2 Ortalama Dönüş Sinyali

Ortalama dönüş sinyali, bir varlığın "makul değeri"nden ne kadar sapt

Neden Bu Fark Var? Bu, satım volatilitesini satan kişilerin (örneğin, opsiyon satanlar) büyük kuyruk riskini üstlendiklerini açıklar. Onlar, aşırı durumlara karşı kendilerini kapsayacak ek tazminata ihtiyaç duyarlar. Bu, sigorta şirketlerinin talep ettikleri primin, beklenen tazminattan her zaman daha yüksek olmasıyla benzerdir.

Polymarket'de, volatilite sinyali şu şekilde anlaşılabilir: Eğer bir kontratın fiyatı 0.45 ile 0.55 arasında şiddetli bir şekilde dalgalanıyorsa, fakat temelde herhangi bir önemli değişiklik yaşanmıyorsa (yeni haber yok, politika değişikliği yok), o zaman bu "sahte dalgalanma" kendisi başlı başına bir sinyaldir. Bu, piyasa katılımcılarının panik ya da heyecan içinde olduğunu size söyler, ancak bu duygu genellikle aşırıdır ve fiyat sonunda makul seviyelere dönecektir.

2.4 Faktör Sinyali

Faktör sinyali, yıllara dayanan akademik araştırmalarla kanıtlanmış, sistemik getiri primidir. En ünlü beş faktör şunlardır:

· Değer (Value)

· Momentum

· Düşük Volatilite (Low Volatility)

· Taşıma Maliyeti (Carry)

· Kalite (Quality)

Her bir faktör, piyasaların riski fiyatlandırırken insan davranışı veya piyasa yapısı açısından bir tür devamlı eksikliği temsil eder.

Örneğin, "Değer Faktörü" neden etkilidir? Çünkü insanlar doğuştan popüler olan şeyleri takip etmeyi sever. Herkesin konuştuğu bir kontrat genellikle tam olarak fiyatlandırılmıştır. Ancak kimse ilgilenmeyen "az bilinen kontratlar" genellikle fiyat sapmalarına daha açıktır.

Polymarket'te, bu, düşük işlem hacmine sahip ancak temelde değişiklik yaşanan kontratları araştırmak için daha fazla zaman harcamanız gerektiği anlamına gelir. Bunun yerine, binlerce kişinin zaten takip ettiği popüler pazarlara gidip takip etmek yerine, olası Alpha'ya sahip bu pazarları bulmanıza yardımcı olacak volatilite, en son pazarlar, işlem hacmi, işlem sayısı vb. gibi göstergeleri içeren bir sayfa olan insiders.bot'un ana sayfasına ekledik.

2.5 Mikro Yapı Sinyali

Mikro yapı sinyali, yüksek frekanslı tüccarların favorisidir. Bu, sipariş defterinin derinlik dengesizliğine, alış-satış farkının dinamik değişimine ve işlem hacminin saldırganlığına bakar.

Bu sinyallerin etkinleşme süresi son derece kısadır, genellikle birkaç dakika ile birkaç saat arasındadır. Ancak size son derece önemli bir şey söyleyebilirler: Gerçek fiyat hareketinden önce, bilgi üstünlüğüne sahip olan akıllı paranın nerede pozisyon aldığını.

Mikro yapıyı ölçmenin en yaygın kullanılan göstergelerinden biri Etkili Yaygın (Effective Spread) adlı göstergedir:

Etkili Yaygın = 2 x |İşlem Fiyatı - Orta Fiyat|

Daha yüksek etkili yaygın, piyasanın likiditesinin daha düşük olduğunu ve işlem maliyetinin daha yüksek olduğunu gösterir. Etkili yaygın aniden genişlediğinde, genellikle bilgili işlemcilerin piyasaya girdiği anlamına gelir, likidite sağlayıcılar kendilerini korumak için yaygını genişletmiştir.

Bir diğer önemli gösterge VPIN (Volume-Synchronized Probability of Informed Trading, İşlem Hacmiyle Senkronize Olmuş Bilgilendirilmiş İşlem Olasılığı) adını taşır. Bu gösterge Easley, Lopez de Prado ve O'Hara tarafından 2012 yılında önerilmiştir. Bu gösterge alıcı ve satıcı işlem hacmi dengesizliğini analiz ederek, piyasada kaç işlemin "bilgilendirilmiş işlemciler" tarafından yönlendirildiğini tahmin etmektedir.

VPIN'nin hesaplama mantığı aslında oldukça sezgiseldir: İşlem hacmini sabit boyuttaki "kova"lara ayırın (örneğin her 1000 işleme bir kova) ve ardından her kovanın içinde alıcı işlem hacmi ile satıcı işlem hacmi arasındaki farka bakın. Büyük bir fark varsa, bu tek taraflı bir saldırı olduğunu, bu genellikle bilgili işlemcilerin hareket halinde olduğu anlamına gelir.

VPIN aniden yükseldiğinde, genellikle sizin bilmediğiniz bir şey öğrenen birinin olduğu anlamına gelir. 2010 yılındaki "Anlık Çöküş" (Flash Crash)'ten birkaç saat önce, VPIN anormal bir şekilde yükselmeye başlamıştı.

Polymarket'te, akıllı paranın zincir üstü davranışı en doğrudan mikro yapı sinyalidir. %65'ten yüksek bir geçmiş başarı oranına sahip bir cüzdanın belirli bir sözleşmede aniden büyük bir bahis yapması, çok değerli bir sinyaldir.

Insiders.bot'un akıllı para tarayıcısı ve v1.2/v1.3 sinyallerinde yaptığımız şey aslında bu tür zincir üstü mikro yapı sinyallerini size canlı olarak iletmektir.

Unutmayın, bu beş sinyalden herhangi biri, tek başına sistematik bir üstünlük oluşturmak için yeterli değildir. Bunlar sadece hammadde.

Sıradaki adım, en temel üçüncü kısma girmek: Hammaddan altına dönüştüren "Kombine Motor".

Üçüncü Bölüm: 11 Adımlı Kombine Motor

Bu makalenin en sert bölümüdür. Bu 11 adım, kurumların bir dizi ham sinyali en uygun ağırlık kombinasyonuna dönüştürmek için kullandığı kapsamlı bir süreçtir.

Bu 11 adım, dört aşama olarak ayrılabilir: Veri Hazırlığı, Piyasa Gürültüsünü Bertaraf Etme, Bağımsız Avantajları Çıkarma, Optimum Ağırlıkları Dağıtma.

Önce genel bir hatırlatma yapalım: Diyelim ki N adet sinyaliniz var (mesela 50 tane). Her bir sinyal, geçmişte belli bir süre boyunca bir dizi getiri verisi üretti (yani her gün ne kadar kazandı ya da kaybetti).

Bu kombine sistem, bu geçmiş verilere dayanarak her bir sinyal için ne kadar fon ağırlığı tahsis edilmesi gerektiğini hesaplar.

Aşama Bir: Veri Hazırlığı

Bu aşamanın amacı tüm sinyalleri aynı başlangıç noktasına getirmektir.

Adım 1: Her bir sinyalin geçmiş performansını toplamak

Bu en temel adımdır. Her bir sinyalin geçmiş her bir zaman dilimindeki gerçek getirisini kaydetmeniz gerekir.

Örneğin, momentum sinyaliniz son 30 günde, 1. günde %2 kazandı, 2. günde %1 kaybetti, 3. günde %0.5 kazandı... Bu verileri tamamını kaydedin. Her bir sinyalin bu tür bir veri sütunu vardır.

Matematiksel terimlerle açıklamak gerekirse, her bir sinyal i için her bir zaman dilimi s’de getiri R(i,s) toplanır.

Adım 2: Sistematik Kayma (Ortalama Değerden Çıkarma) Kaldırma

Her bir sinyalin geçmiş getirisinden, o sinyalin kendi ortalama getirisini çıkarın.

Neden bunu yapmalıyız?

Bir örnek verelim.

· Diyelim ki “Düşük Fiyattan Alım” sinyaliniz var. Geçen yıl tüm kripto piyasası büyük ölçüde yükseldiğinden, bu sinyal çok para kazandı gibi görünüyor.

· Ancak bu gerçekten sinyalin başarısı mı? Kesin değil. Herhangi bir stratejiyle, boğa piyasasında para kazanmak mümkün olabilir. Ortalama değeri çıkardıktan sonra, bu sinyalin aslında "piyasa genel eğilimini dışladıktan sonra" gerçekten bir tahmin gücü olup olmadığını görebilirsiniz.

Özel Formül: X(i,s) = R(i,s) - ortalama(R(i)).

Adım 3: Her Sinyalin Volatilitesini Hesaplayın

Bu adım, her bir sinyalin getirisinin ne kadar dalgalı olduğunu ölçer.

· Bir sinyal ortalamada her gün %0.1 kazanabilir, ancak bazen %5 kazanırken bazen %4 kaybedebilir.

· Başka bir sinyal de ortalamada her gün %0.1 kazanabilir, ancak dalgalanma aralığı sadece -0.5% ila +0.7% arasındadır.

· İki sinyalin ortalama getirisi aynı olabilir, ancak ikinci sinyal açıkça daha "istikrarlı" ve güvenilirdir.

Volatilite, bu "istikrar derecesini" ölçmek için kullanılır.

Özel Formül: σ(i)² = (1/M) x Σ X(i,s)².

Adım 4: Standartlaştırma İşlemi

Adım 2'nin sonuçlarını Adım 3'ün volatilitesine bölün.

Neden bu adıma ihtiyaç var? Çünkü farklı sinyallerin farklı "birimleri" vardır. Momentum sinyali yüzde olarak hesaplanabilir, mikroyapı sinyali baz puana (%0.01) göre hesaplanabilir, volatilite sinyali mutlak bir değere göre hesaplanabilir. Onları doğrudan karşılaştırırsanız, elma ile portakalı karşılaştırmak gibi saçma olur.

Standartlaştırdıktan sonra, tüm sinyaller aynı ölçekte olur. Doları, Euro'yu, Yeni'yi aynı para birimine dönüştürmek gibi, ancak bu şekilde adil bir karşılaştırma yapılabilir.

Özel Formül: Y(i,s) = X(i,s) / σ(i).

Aşama 2: Piyasa Gürültüsünü Ortadan Kaldırma

Bu aşamanın amacı, her sinyalin performansından "piyasanın genel yükseliş ve düşüşünü" ayırarak, yalnızca sinyalin kendi gerçek yeteneğini ortaya çıkarmaktır.

Adım 5: Dışta Örnek Bölme

Ağırlıkları hesaplarken, yalnızca geçmiş verileri kullanarak en son gözlemleri atın.

Bu adım "aşırı uyum" u engellemek içindir.

Aşırı uyum nedir? Bir öğrenci, geçmiş on yılın tüm sınav sorularını ezbere bilir, deneme sınavlarında her seferinde tam puan alır. Ancak gerçek sınava geldiğinde, yeni sorular geldiğinde tamamen çözümsüz kalır. O, "bilgiyi anlamakta" değil, "cevapları ezbere bilmektedir".

Quant tradinginde, aşırı uyumun zararı daha büyüktür. Modeliniz geçmiş verilerde mükemmel performans gösterebilir, ancak gerçek işlem sırasında hüsrana uğrayabilir. Dışta örnek bölme, modelinizin "kuralları öğrenme"de olduğundan, "geçmişi hatırlama"da olmadığından emin olmak içindir.

Uygulama şu şekildedir:

Verilerinizi iki bölüme ayırın.

· Modeli eğitmek için verilerin ilk %80'ini kullanın (Ağırlıkları hesaplamak için),

· Modelin gerçekten etkili olup olmadığını doğrulamak için verilerin geri kalan %20'sini kullanın.

· Modelin geri kalan %20'sinde de para kazanabiliyorsa, gerçekten kuralları öğrendiği anlamına gelir.

Adım 6: Çapraz Kesim Ortalaması Alma (Çapraz Kesim Normalize Etme)

Her zaman noktasında, her sinyalin performansını, o zamandaki tüm sinyallerin ortalamasından çıkarın.

Bu adım çok kritiktir, burada bir senaryo ile açıklayalım.

Diyelim ki bugün Fed aniden faiz indirimini açıkladı. Tüm piyasa yükseldi. Sizin 50 sinyaliniz aynı anda "al" talimatı verebilir ve her sinyal karlı görünebilir.

Eğer çapraz kesim normalize etme yapmazsanız, bu 50 sinyalin hepsinin çok doğru olduğunu düşünebilirsiniz. Ancak aslında, bu sadece "tüm geminin yükseldiği" etkisidir. Piyasa genel olarak yükselirken, sinyalleriniz ne kadar tahmin ederse etsin para kazanabilir. Bu, sinyalin yeteneği değil, piyasanın lütfudur.

Tüm sinyallerin ortalamasını çıkardıktan sonra gerçeği görebilirsiniz: Herkesin para kazandığı günlerde, hangi sinyalin diğerlerinden daha fazla kazandığını net bir şekilde görebilir misiniz? Herkesin para kaybettiği günlerde, hangi sinyalin diğerlerinden daha az kaybettiğini görebilir misiniz? Bu tür "göreceli performans", sinyalin gerçek yeteneğidir.

Daha spesifik olarak: Λ(i,s) = Y(i,s) - (1/N) x Σ Y(j,s).

*Lütfen dikkat, 2. adımdaki "ortalama merkezileştirme" ve 6. adımdaki "kesit bazında ortalama merkezileştirme" farklıdır. 2. adım, her sinyalin kendi zaman serisinden ortalamasını alır (uzun vadeli eğilimi ortadan kaldırır). 6. adım, her zaman noktasında tüm sinyaller arasında merkezileştirme yapar (pazar genel etkiyi ortadan kaldırır). Bunlardan her ikisinin de olmaması gereklidir.

Adım 7: Son Veri Temizleme

Bu, nihai bir veri temizleme adımıdır. Veri serinizde gelecekle ilgili herhangi bir "öngörüsel bilginin" kalmadığından emin olur.

Öngörüsel bilgi nedir? Karar verme anındaki bilinmeyen geleceğe ait veridir. Örneğin, Pazartesi günü karar alırken Cuma günü kapanış fiyatını bilemezsiniz. Bu mantıklı bir durum gibi gelebilir, ancak karmaşık veri işleme süreçlerinde, bu tür "veri sızıntısı" düşündüğünüzden daha kolay oluşabilir.

Aşama Üç: Bağımsız Avantajları Çıkarma

Bu aşama, tüm motorun ruhudur. Yapması gereken şey: Her sinyalden, benzersiz tahmin yeteneğini çıkarmak ve diğer sinyallerle tekrar eden kısımları temizlemektir.

Adım 8: Beklenen Getirinin Hesaplanması

Hareketli ortalama kullanarak, her sinyalin gelecekteki beklenen katkısını hesaplayın.

Daha spesifik olarak, her sinyalin en son d gününün ortalama getirisini alarak, gelecekteki performansını tahmin edin. Ardından bu tahmin değeri standartlaştırın (dalgalanmaya bölün), farklı sinyallerin beklenen getirisini doğrudan karşılaştırılabilir hale getirin.

Formül şöyledir:

· E(i) = (1/d) x Σ R(i,s)

· E_norm(i) = E(i) / σ(i).

Adım 9: Bağımsız Kalıntıyı Çıkarma (Orthogonalization)

Bu, 11 adımdaki en kritik adımdır.

Varsayalım ki iki sinyaliniz var.

· Sinyal A, "hava durumunu kontrol etme"dir

· Sinyal B, "insanların şemsiye getirip getirmediğine bakma" dır.

Bu iki sinyal de bugün yağmur yağıp yağmayacağını tahmin edebilir.

Ancak sorun şudur ki insanların şemsiye getirmesinin büyük olasılıkla hava durumuna baktığı da olabilir. Dolayısıyla Sinyal A ve Sinyal B arasında büyük miktarda bilgi örtüşmesi vardır. Onları aynı anda kullandığınızda iki bağımsız sinyaliniz olduğunu düşünürsünüz, ancak aslında yalnızca bir sinyaliniz (hava durumu raporu) iki kez ifade edilmiştir.

Adım 9'un yaptığı şey, bu tür bilgi örtüşmesini elemektir.

Nasıl mı? Her sinyalin beklenen getirisi E_norm(i), diğer tüm sinyallerin geçmiş verileri Λ(i,s) ile regresyon analizi yaparak hesaplanır. Regresyonun anlamı: Bu sinyali diğer sinyallerle "açıklamak". Açıklanabilen kısım, örtüşen kısımdır ve atılır. Açıklanamayan kısım, bu sinyalin eşsiz katkısı, korunur.

Bu "açıklanamayan kısım", matematiksel olarak kalıntı (Rest) olarak adlandırılır ve ε(i) olarak yazılır.

Eğer lineer cebir öğrendiyseniz, bu Gram-Schmidt dikmeleme yönteminin bir uygulanışıdır. Eğer öğrenmediyseniz endişelenmeyin, tek hatırlamanız gereken şey şudur: Adım 9, her sinyalin gerçekten benzersiz ve değiştirilemez olan tahmin yeteneğinin o benzersiz parçasını bulmaktır.

Aşama Dört: Optimal Ağırlıklandırma

Adım 10: Optimal Ağırlığı Ayarlama

Ağırlık hesaplama formülü: w(i) = η x ε(i) / σ(i).

Bu formül şunu söyler: Her sinyalin ağırlığı, onun benzersiz katkısı ε(i) (Adım 9'da hesaplanmış) ile sinyalin oynaklığı σ(i) (Adım 3'te hesaplanmış) bölünmüş ve bir ölçekleme katsayısı η ile çarpılmıştır.

Bu ne anlama geliyor? Motor, otomatik olarak "büyük benzersiz katkı" olan ve "istikrarlı performans" gösteren sinyallere daha yüksek ağırlık verir. Diğer taraftan, "yüksek gürültü" olan veya "sadece akıma uyan" sinyaller otomatik olarak düşük ağırlıklandırılır.

Bunların hepsi matematiksel olarak otomatik olarak yapılmaktadır, herhangi bir öznel yargıya ihtiyaç yoktur. "Bu sinyal ne kadar oranda olmalı" şeklindeki kararı hisse göre yapmanıza gerek yoktur. Formül size en iyi cevabı söyleyecektir.

Adım 11: Normalleştirme

Son adımda, ölçekleme katsayısı η ayarlanır ve tüm ağırlıkların mutlak değerinin toplamı 1 olacak şekilde düzenlenir.

Bu, varlıklarınızın toplam tahsisinin %100 olduğundan ve farkında olmadan kaldıracı artırmadığından emin olur. Bu adım atılmazsa, ağırlıkların toplamının %150 olduğunu fark edebilirsiniz, bu da 1.5 kat kaldıraç kullandığınız anlamına gelir ve bunun farkında bile olmayabilirsiniz.

Matematiksel olarak ifade etmek gerekirse: η ayarlanarak Σ|w(i)| = 1 yapılmış olur.

Bu 11 adımın nihai çıktısı, N sinyalinizden her birinin en iyi ağırlığını verir. Bu zayıf sinyalleri ağırlıklarıyla birleştirdiğinizde, süper bir Alfa'ya (Mega-Alfa'ya) sahip olursunuz. Yüksek kazanç oranı ve yüksek inançlı tek bir çıktı.

İleri Düzey Egzersiz 2:

Bu programı mevcut sinyal yığını üzerinde çalıştırırsanız, hangi sinyallerin yüksek ağırlık aldığına ve hangilerinin düşük ağırlık aldığına şaşırır mısınız? Cevap, çalıştırdığınız şeyin bağımsızlık yapısını ne kadar iyi anladığınızı size söyleyecektir.

Eğer bu matris işlem setinin mantığı hakkında daha derinlemesine anlayışa sahip olmak istiyorsanız, MIT'nin Ücretsiz Açık Dersleri içinde doğrusal cebirdeki ortogonalizasyon bölümünü izlemenizi şiddetle tavsiye ederim. Gilbert Strang profesör çok net anlatıyor.

Dördüncü Bölüm: Bağımsızlık Tuzağı

Kombine motoru bir sorunu çözer. Bu sorun, tek bir sinyali aynı anda gözlemlediğinizde gizlidir, ancak matematiği anladığınızda her yerde görünür hale gelir.

İlk bölümde bahsedilen aktif yönetim temel yasasına geri dönelim:

IR = IC x √N

Bu üç harfi hatırlıyor musunuz? IR, sisteminizin "Risk Ayarlı Getirisi"dir (yani stratejinizin ne kadar istikrarlı olduğu). IC, tek bir sinyalin ortalama doğruluğudur. N, kombinasyonunuzdaki bağımsız sinyal sayısıdır.

Şimdi vurgulamak istediğim, birçok kişinin göz ardı ettiği bir anahtar kelime: Bağımsızlık.

Buradaki N, sinyal yığınındaki toplam sinyal sayınız değil. Bu, etkili bağımsız sinyal sayısını temsil eder. Bu iki sayı arasındaki fark çok büyük olabilir.

Neden mi? Çünkü sinyaller arasında "gerilla tarzında" gizli ilişkiler olabilir.

Bir momentum sinyali ve bir ortalama geri dönüş sinyali, doğaları gereği tamamen zıt görünebilir (birisi trendi takip ederken diğeri dip alımı yapar). Ancak bazı piyasa koşullarında, her ikisi de aynı anda, aynı yönde ve aynı makroekonomik habere tepki verebilir.

· Örneğin, Fed aniden faiz artırırsa, momentum sinyali "trend aşağı, sat" derken, ortalama geri dönüş sinyali de "ortalamanın çok uzağında sapma var, ama yine de yön aşağı" der.

· Bu noktada, görünüşte bağımsız olan bu iki sinyal aslında aynı görüşü ifade etmektedir.

Eğer bu sinyallere eşit ağırlık verirseniz, riski iki bağımsız görüş arasında dağıttığınızı düşünürsünüz. Oysa gerçekte, aynı görüşe iki katı ağırlık vermiş olursunuz.

İşte bu yüzden Aşama 3'teki Adım 6 (kesitsel ortalama çıkarma, yani her zaman noktasından tüm sinyallerin ortalamasını çıkararak "gelgit etkisini" ortadan kaldırma) ve Adım 9 (bağımsız artıkları çıkarma, yani regresyon analizi ile sinyaller arasındaki bilgi örtüşmesini çıkararak her sinyalin benzersiz katkısını koruma) bu kadar önemlidir. Onların amacı, sinyaller arasındaki gizli paylaşılan bileşenleri tanımlamak ve ortadan kaldırmaktır.

50 adet ilgili sinyal çalıştırmak, size sadece 10 ila 15 adet bağımsız sinyalin çeşitlendirilmesi etkisini getirebilir. Gerçekten bağımsız bir bilgi kaynağına dayalı sinyalleriniz varsa ve kombinasyon motorunuz doğru çalışıyorsa, o zaman tüm 50 sinyalin tam faydasını elde edersiniz.

Bu pratikte ne anlama geliyor?

· Bir tüccarın kendini 20 bağımsız sinyal çalıştırıyor sanması varsayalım. Pozisyon boyutunu 20 bağımsız sinyale göre hesaplar. Ancak gerçekte, sinyaller arasındaki gizli ilişkiler nedeniyle sadece 6 etkili bağımsız sinyali vardır.

· 20 bağımsız sinyal destekli pozisyon büyüklüğü, 6 sinyal için fazladır. Ne kadar fazla? 20/6 ≈ 3.3 kat büyüktür. Gerçek kaldıraç, düşündüğünden çok daha fazladır.

Bu kaldıraç uyuşmazlığı, çoğu sistemik stratejinin batmasının gerçek nedenidir. Tüccar doğru yönde hareket eder, ancak ölçekte yanılır. Piyasanın yükseleceğini doğru görmüştür, ancak yaptığı bahis çok büyüktür. Normal bir geri çekilme onu tasfiye etmek için yeterlidir.

Portföy motoru dürüst bir hesaplama yapmaya zorlar. Sizi kandırmaz. Sinyal yığınınızın gerçekten bağımsız yapısının ne olduğunu size söyler. Sonra gerçek duruma göre ağırlık tahsisi yapar, yanlış olduğunuzu düşündüğünüze göre değil.

Doğru işlem analizinde sürekli olarak kaybeden tüccarlar, neredeyse her zaman ölçümediği korelasyona kaybederler. Kendilerine üç farklı nedenle güvendiklerini düşünürler. Aslında sadece bir neden üç kez ifade edilmiştir. Ancak pozisyon, üç neden karşılığında belirlenir.

Portföy motoru, bu başarısızlık kalıbını yapısal olarak ortadan kaldırır.

İleri Düzey Egzersiz 3:

Şu anda kullandığınız tüm sinyallerinizi alın, ikili olarak eşleştirin ve aralarındaki korelasyon katsayısını hesaplayın. Python'un numpy.corrcoef() fonksiyonunu kullanabilirsiniz. Eğer herhangi bir sinyal çiftinin 0.5'ten büyük bir korelasyon katsayısı varsa, matematiksel olarak bağımsız değillerdir. Sinyal yığınınızı yeniden değerlendirmeniz gerekecek.

Marcos Lopez de Prado'nun Advances in Financial Machine Learning kitabını öneririm, özellikle özellik önemine ve değişmezliğe ilişkin bölümlerini. Bu kitap modern kantitatif yöntemler için bir başvuru kaynağıdır.

Beşinci Bölüm: Polymarket'te Uygulama

İlk dört bölümdeki tüm içerik, hisse senetleri ve çoklu varlık sistemik işlem arka planında oluşturulmuştur. İyi haber şu ki, bu matematik seti doğrudan tahmin pazarlarına taşınabilir. Yapmanız gereken tek şey bir değişiklik yapmaktır: Sinyalleri "beklenen getiri" hakkında değil, "beklenen olasılık" hakkında birleştirirsiniz.

Tahmin pazarında, her sinyal bir getiri tahmini üretmez, ancak gizli bir olasılık tahmini üretir.

5.1 Beş Olasılık Sinyali

İlk olarak, Çapraz Platform Fiyatlandırma Sinyali: Eğer Polymarket'te bir kontratın YES fiyatı 0.45 dolar ise, ancak aynı olay için Betfair'de oranlar %52'lik bir olasılığı ima ediyorsa, bu 7 puanlık fark sizin sinyalinizdir. İki platform aynı olay için farklı fiyatlar belirliyorsa, en azından biri yanlıştır.

İkinci olarak, Kalibrasyon Sinyali: Polymarket'ın 400 milyon işlemine yapılan bir araştırma, %5 ila %15 arasında fiyatlandırılan sözleşmelerde, sonunda EVET olarak çözümlenenlerin oranının sadece %4 ila %9 olduğunu ortaya koydu. Bu, piyasanın düşük olasılıklı olayların gerçekleşme olasılığını sistemli bir şekilde abarttığını gösteriyor. Bu sapma istikrarlı ve tekrarlanabilir olduğundan, bu etkili bir sinyaldir.

Üçüncü olarak, Bayes Güncelleme Sinyali: Bu, niceliksel alım satımın temel aracıdır. Cevaplamaya çalıştığı temel soru şudur: Yeni verileri elde ettiğinizde, mevcut inancınızı nasıl doğru bir şekilde güncellemelisiniz?

Bayes Güncellemeyi açıklamak için somut bir örnek kullanayım.

Varsayalım ki bir Polymarket sözleşmesine odaklanıyorsunuz: "Bu ay bir ülke meclis yasası geçecek mi?" Şu anda piyasa fiyatı 0,40 $, yani pazarın geçiş olasılığını %40 olarak gördüğüdür. Bu sizin önsel olasılığınızdır (Prior).

Aniden, bir haber ortaya çıkıyor: Yasayı destekleyen bir kilit senatör açıklamada bulundu.

Doğrudan olasılığı %80'e güncelleyemezsiniz. Doğru hesaplama için Bayes'in formülünü kullanmanız gerekir.

Bayes'in Formülü şöyledir:

P(Geçiş|Destek) = P(Destek|Geçiş) x P(Geçiş) / P(Destek)

Açıklayıcı olarak:

"Bu senatörün açıkça desteğini belirttiği durumda, yasa geçme olasılığı" = "Eğer yasa gerçekten geçecekse, bu senatörün açıkça destekleme olasılığı" x "Yasa geçişinin önsel olasılığı" / "Bu senatörün toplam destek olasılığı"

Varsayalım ki şunu tahmin ediyorsunuz:

· Eğer yasa gerçekten geçecekse, bu senatörün açıkça desteğini belirtme olasılığı %80'dir (çünkü genellikle kendi pozisyonundan emin olduğunda açıklama yapar)

· Eğer yasa geçmeyecekse, bu senatörün açıkça desteğini belirtme olasılığı %20'dir (bazen yanlış takılabilmektedir)

· Yasa geçişinin önsel olasılığı %40'tır

O zaman:

· P(Destek) = 0.80 x 0.40 + 0.20 x 0.60 = 0.32 + 0.12 = 0.44

· P(Kabul|Destek) = 0.80 x 0.40 / 0.44 = 0.32 / 0.44 = 72.7%

Dolayısıyla, bu haberi gördükten sonra yasal önerinin kabul edilme olasılığını %40'tan %72.7'ye güncellemelisiniz. Eğer piyasa fiyatı hala 0.50 dolarda ise, %22.7'lik bir avantajınız olacaktır.

Bayesci Güncelleme'nin özü, yeni bir olasılığı "tahmin etmediğiniz", ancak matematiksel olarak kesin bir şekilde hesapladığınızdır. Her kararınızın dayanağı vardır.

4. Mikro Yapı Sinyali: VPIN'i (ikili opsiyon işlem olasılığı endeksi) kullanarak (daha önce 2. bölümde bahsedilen işlem yapan bilginin varlığını analiz ederek, alım satım hacmindeki dengesizlikleri inceleyerek) ve etkin spread'e dayanarak, bilgilendirici emir akışının yönüne göre bir olasılık önerin.

5. Momentum Sinyali: Çözümleme sürecine yaklaşıldığında, fiyat değişim hızı ve yönüne dayanarak bir olasılık önerin.

5.2. Sinyalden Bahse: Tam Süreç

Bu örtük olasılık tahminlerinin her birini, tam olarak 3. bölümde açıklanan 11 adımlı kombinasyon motorunda çalıştırın. Çıkış, tek bir ağırlıklı kombinasyon olasılık tahmini olacaktır. Bu tahmin, her sinyalin bağımsız katkısına (9. adımdaki dikleştirme aşamasını hatırlıyor musunuz? Bilgi örtüşmesini ortadan kaldırarak benzersiz kısımları koruyarak), matematiksel olarak en iyi ağırlıkları atanmıştır.

O tahmin ile mevcut Polymarket fiyatı arasındaki fark, avantajınızdır (Edge).

5.3. Kelly Formülü: Ne Kadar Bahis Yapmalısınız?

Avantajınız olduğunda, en önemli soru ortaya çıkar: Ne kadar para bahis yapmalısınız?

Çok az bahis yaparsanız, avantajınızı boşa harcarsınız ve yeterince kazanamazsınız. Çok fazla bahis yaparsanız, bir hata yapmanız durumunda her şeyi kaybetme riskiyle karşı karşıya kalırsınız.

Kurumlar genellikle Kelly Kriteri'ni kullanır. Standart Kelly Formülü şöyledir:

f_kelly = (p x b - q) / b

Here p is your estimated win rate (your composite probability), q = 1 - p is the loss rate, b is the odds.

On Polymarket, the odds b can be directly calculated from the price: b = (1 / market price) - 1. For example, if the market price is $0.40, then the odds b = (1/0.40) - 1 = 1.5.

Assume your composite model tells you the true probability is 60% (meaning p = 0.60), and the market price is $0.40 (odds b = 1.5). Then the standard Kelly criterion advises you to bet:

f_kelly = (0.60 x 1.5 - 0.40) / 1.5 = (0.90 - 0.40) / 1.5 = 0.50 / 1.5 = 33.3% of your funds.

But the standard Kelly has a fatal assumption: it assumes your win rate estimate is 100% accurate. In reality, your estimate will always have an error. So institutions use the empirical Kelly formula, which incorporates an "uncertainty penalty".

f_empirical = f_kelly x (1 - CV_edge)

Here CV_edge is the coefficient of variation of your advantage estimate. It measures how uncertain your estimate is. The larger the CV_edge, the more uncertain you are, and the formula will automatically reduce your bet amount.

How to calculate CV_edge? You can use Monte Carlo simulation. In simple terms, run your model thousands of times through simulations to see how much your advantage estimate will vary in different scenarios. The greater the variation, the higher the CV_edge, and you should bet less.

Continuing the example above. If your CV_edge = 0.3 (meaning your estimate has 30% uncertainty), then the empirical Kelly advises you to bet:

f_empirical = 33.3% x (1 - 0.3) = 33.3% x 0.7 = 23.3% of your funds.

In actual practice, many institutions even bet only "half-Kelly," meaning dividing by 2, which is about 12%. Because in the long run, earning a little less is much better than getting liquidated.

5.4 Tam Polymarket İşlem Kanalı

Her şeyi bir araya getirerek, tam iş akışı şöyledir:

1. Her biri gizli bir olasılık tahmini üreten beş veya daha fazla girdi sinyali

2. 11 adımlık birleştirme motoru aracılığıyla işlenir

3. Tek bir ağırlıklı kombinasyon olasılığı üretir

4. Mevcut piyasa fiyatı ile karşılaştırarak Kenarı Hesapla

5. Bahis boyutunu belirlemek için deneyimli Kelly formülünü kullanın

6. VWAP (İşlem Hacmi Ağırlıklı Ortalama Fiyat) kullanarak yürütmeyi optimize edin, büyük siparişlerinizin piyasa fiyatına etkisini azaltın

7. VPIN değişikliklerini canlı izleyin ve ayakligazeteci tüccarlar etkin hale geldiğinde stratejinizi zamanında ayarlayın

Bu çerçeve, özellikle tahmin piyasaları için çok değerlidir, çünkü çoğu rakibiniz tek bir modele, tek bir veri kaynağına, tek bir olasılık tahminine dayalı olarak ticaret yapıyor. Oysa şimdi zayıf sinyalleri bir araya getirerek güçlü bir sinyale nasıl dönüştüreceğinizi biliyorsunuz. İşte size yapısal avantajınız.

İleri Düzey Egzersiz 4:

İlgilendiğiniz bir Polymarket sözleşmesini seçin. En az üç farklı açıdan (örneğin, platformlar arası fiyatlandırma, tarih öncesi ayarlama, yakın zamandaki haber olayları) olasılığını tahmin edin. Sonra basitçe ağırlıklı ortalamayı alın, kombinasyon tahmininiz ile mevcut piyasa fiyatı arasında fark olup olmadığına bakın. Varsa, tebrikler, az önce basitleştirilmiş bir Alfa kombinasyonunu manuel olarak tamamladınız.

Önerilen Okuma: Edward Thorp'un A Man for All Markets adlı kitabı. Thorp, yatırım alanında Kelly formülünü ilk kez uygulayanlardan biridir ve bu kitap, nasıl matematik kullanarak kumarhanede ve Wall Street'te para kazandığını çok anlaşılır bir şekilde anlatmaktadır.

Altıncı Bölüm: insiders.bot ile bu sistemi nasıl hayata geçirirsiniz

Buraya kadar gördüğünüzde, muhtemelen şunu düşündünüz: Bu sistemin mantığını anladım, ama ben tek başıma sıfırdan nasıl oluşturabilirim?

İyi haber şu ki, sıfırdan başlamanıza gerek yok.

insiders.bot (@insidersdotbot) üzerinde çalışırken, bu makalede bahsedilen "Eylemci Yönetim Temel Kanunu" (IR = IC x √N olarak da bilinir, sisteminizin performansı, tek bir sinyalin doğruluğu ile bağımsız sinyal sayısının karekökü şeklinde ifade edilir) bize büyük ilham verdi.

Hemen uygulamaya başlayabileceğiniz üç adım aşağıda listelenmiştir.

Adım 1: Akıllı Para Tarayıcı ile Sinyal Hammaddelerinizi Toplayın

insiders.bot'un Akıllı Para Tarayıcısını açın. Filtre panelini kullanarak, başarı oranı, toplam kar/zarar, işlem sıklığı vb. ölçütlerle Polymarket'teki en iyi performans gösteren cüzdanı bulabilirsiniz.

Bu cüzdanların her bir hareketi, sizin için bir "mikroyapı sinyali"dir (beş büyük sinyal kategorisinin beşinci kategorisini hatırlıyor musunuz?). Tek bir cüzdanın sinyali belki zayıftır (IC çok düşüktür), ancak onlarca cüzdanı aynı anda izlediğinizde, makalede bahsedilen "sinyal kombinasyonu"nu yapmış olursunuz. İşte Eylemci Yönetim Temel Kanunu'nun özü budur: N ne kadar büyük olursa, IR o kadar yüksek olur.

Adım 2: Akıllı Sinyal Sistemi ile Alfa Kombinasyonu Oluşturun

Akıllı sinyal sistemimiz (SİNYALLER sekmesi), temelde basitleştirilmiş bir Alfa kombinasyon motorudur. Kaliteli cüzdanlar büyük işlemler yaparken, sistem sinyal üretir ve Smart Score, geçmiş başarı oranı, toplam kar/zarar, bahis istikrarı, sınıflandırma performansı, pozisyon büyüklüğü gibi birçok boyutu sentezleyerek bir güçlüklük derecesi sağlar.

DÜŞÜK: Temel standartlara ulaşır, ancak tüccar avantajı orta düzeydedir. Düşük IC sinyali ile ilgilidir, kombinasyon için daha fazla sinyal gerektirir

ORTA: Geçmişte iyi performans sergilemiş, kararlı bir inanca sahiptir. Orta düzeyde IC sinyali ile ilgilidir, makul bir şekilde yapılandırılabilir

YÜKSEK: En iyi performans gösteren cüzdanlardan gelen büyük miktarlı işlemler. Yüksek IC sinyali ile ilgilidir, kombinasyon motoru yüksek ağırlık verir

Bu derecelendirme sistemi, 10. Adımın 11. Adımına (Optimal ağırlığı ayarlayın, yani her bir sinyalin bağımsız katkısına ve kararlılığına göre fon oranlarını atayın) benzer şekilde çalışır: Çeşitli boyutların sentezlenmesine dayanarak, her sinyale farklı ağırlıklar atar.

Adım Üç: Kelly Formülünü Uygulamak İçin Takip Araçlarını Kullanma

Yüksek Dereceli bir sinyal aldığınızda, otomatik takip aracımızı kullanabilir, oransal veya sabit tutarla takip edebilirsiniz.

Beşinci bölümde bahsedilen deneysel Kelly formülünü hatırlayın (f_empirical = f_kelly x (1 - CV_edge), yani bahsiniz belirsizliğinize göre indirim yapılarak belirlenmelidir): Tahmininiz ne kadar belirsizse, o kadar az bahis yapmalısınız.

Düşük Dereceli bir sinyal için pozisyonu küçültün.

Yüksek Dereceli bir sinyal için pozisyonu makul bir şekilde artırabilirsiniz. Karar vermenize matematik yardımcı olmalı, duygularınıza değil.

Sonuç

Başlangıçtaki soruya geri dönelim.

Tek başına bir sinyal zayıftır. O mükemmel sinyali aramak, tamamen yanlış bir yola sapmaktır.

Etkin yönetim temel yasası (IR = IC x √N), matematiksel olarak kanıtlamıştır: Birçok zayıf bağımsız sinyali bir araya getirerek, güçlü bir sinyal aramaktan daha iyidir. Bilgi oranınız, gerçekten bağımsız sinyallerin karesi köküne bağlı olarak artar.

11 Adımlık Alfa Portföy Motoru, sizin için en uygun ağırlıkları hesaplamanızı sağlar. Bu ağırlıklar, her sinyalin bağımsız katkısını yansıtır, gürültüyü cezalandırır ve sinyaller arasındaki ortak varyansı ortadan kaldırır.

Piyasa tahmini için bu çerçeve, beş veya daha fazla gizli olasılık sinyalini tek bir birleşik tahmine dönüştürür. Bu tahminin tek başına bileşenlerinden daha doğru olduğu kanıtlanmıştır.

Pozisyon yönetimi için deneyimsel Kelly formülü ile birlikte, bu oluşturulan pozisyon, ne kadar gerçekten kendinden emin olmanız gerektiğini doğru bir şekilde yansıtır, ne kadar kendinden emin hissettiğinize değil.

En uzun süreli avantajı, gerçekten bildiğiniz şeylere dayalı en dürüst model üzerine inşa etmektedir.

Son olarak, size şu soruyu düşünmenizi öneriyorum:

Birçok sinyalin birleştirildiği bir kurumsal ticaret platformu dahi, nadirlik katsayısı 0,05 ile 0,15 arasında değişmeyi başarabiliyorsa, herhangi bir tek bir modelden yüksek bir güvenle sürekli olarak kazanan seçme iddiasında bulunan sistem, aslında ne söylüyor?

İleri Okuma ve Referanslar

Eğer daha derinlemesine araştırmak istiyorsanız, işte bazı ileri düzey kaynaklar:

Temel Düzey:

Harvard Stat 110: Olasılığa Giriş (Ücretsiz Online Ders Notları). Temel olasılık teorisi, ilk 6 bölüm yeterli olacaktır.

Edward Thorp, Her Pazarın Adamı. Kelly Kriteri öncüsünün anıları, matematiğin kumarhanede ve Wall Street'te nasıl para kazandığını anlatıyor.

İleri Düzey:

Grinold & Kahn, Aktif Portföy Yönetimi. Nicel yatırım alanının "kutsal kitabı", aktif yönetimin temel yasalarını detaylı bir şekilde açıklar.

MIT 18.06 Doğrusal Cebir. Gilbert Strang'in klasik dersi, dikleştirme konseptini anlamanın en iyi kaynağıdır.

Yüksek Düzey:

Marcos Lopez de Prado, Finansal Makine Öğrenimi İlerlemeleri. Modern niceliksel yöntemlerin okunması gereken bir eseri, özellikle çapraz doğrulama, özellik önemi ve dikleştirme konularına odaklanmıştır.

Easley, Lopez de Prado & O'Hara (2012), Yüksek Frekanslı Bir Dünyada Akış Toksisitesi ve Likidite, Finansal Çalışmalar İncelemesi. VPIN göstergesinin orijinal makalesi.

Orijinal Makale Bağlantısı

BlockBeats Resmi Topluluğuna Katılın:

Telegram Abonelik Grubu: https://t.me/theblockbeats

Telegram Sohbet Grubu: https://t.me/BlockBeats_App

Twitter Resmi Hesabı: https://twitter.com/BlockBeatsAsia